None vs numpy.nan

作者: Exolution 发布: 2016-10-20 修改: 2017-01-03 访问:

建议从这里下载这篇文章对应的.ipynb文件和相关资源。这样你就能在Jupyter中边阅读,边测试文中的代码。

python原生的None和pandas, numpy中的numpy.NaN尽管在功能上都是用来标示空缺数据。但它们的行为在很多场景下确有一些相当大的差异。由于不熟悉这些差异,曾经给我的工作带来过不少麻烦。 特此整理了一份详细的实验,比较None和NaN在不同场景下的差异。

实验的结果有些在意料之内,有些则让我大跌眼镜。希望读者看过此文后会None和NaN这对“小妖精”有更深的理解。

为了理解本文的内容,希望本文的读者需要对pandas的Series使用有一定的经验。

首先,导入所需的库

In [2]:
from numpy import NaN
from pandas import Series, DataFrame
import numpy as np

数据类型?

None是一个python特殊的数据类型, 但是NaN却是用一个特殊的float

In [3]:
type(None)
Out[3]:
NoneType
In [4]:
type(NaN)
Out[4]:
float

能作为dict的key?

In [5]:
{None:1}
Out[5]:
{None: 1}
In [6]:
{NaN:1}
Out[6]:
{nan: 1}
In [7]:
{None:1, NaN:2}
Out[7]:
{nan: 2, None: 1}

都可以,而且会被认为是不同的key

Series函数中的表现

Series.map

In [8]:
s = Series([None, NaN, 'a'])
s
Out[8]:
0    None
1     NaN
2       a
dtype: object
In [9]:
s.map({None:1,'a':'a'})
Out[9]:
0    1
1    1
2    a
dtype: object

可以看到None和NaN都会替换成了1

In [10]:
s.map({NaN:1,'a':'a'})
Out[10]:
0    1
1    1
2    a
dtype: object

同样None和NaN都会替换成了1

In [11]:
s.map({NaN:2,'None':1,'a':'a'})
Out[11]:
0    2
1    2
2    a
dtype: object

将None替换成1的要求被忽略了

In [12]:
s.map({'None':1,NaN:2,'a':'a'})
Out[12]:
0    2
1    2
2    a
dtype: object

将NaN替换成1的要求被忽略了

总结: 用Series.map对None进行替换时,会“顺便”把NaN也一起替换掉;NaN也会顺便把None替换掉。

如果None和NaN分别定义了不同的映射数值,那么只有一个会生效。

Series.replace中的表现

In [13]:
s = Series([None, NaN, 'a'])
s
Out[13]:
0    None
1     NaN
2       a
dtype: object
In [14]:
s.replace([NaN],9)
Out[14]:
0    9
1    9
2    a
dtype: object
In [15]:
s.replace([None],9)
Out[15]:
0    9
1    9
2    a
dtype: object

和Series.map的情况类似,指定了None的替换值后,NaN会被替换掉;反之亦然。

对函数的支持

numpy有不少函数可以自动处理NaN。

In [16]:
np.nansum([1,2,NaN])
Out[16]:
3.0

但是None不能享受这些函数的便利,如果数据包含的None的话会报错

In [17]:
try:
    np.nansum([1,2,None])
except Exception as e:
    print(type(e),e)
<class 'TypeError'> unsupported operand type(s) for +: 'int' and 'NoneType'

pandas中也有不少函数支持NaN却不支持None。(毕竟pandas的底层是numpy)

In [18]:
import pandas as pd
pd.cut(Series([NaN]),[1,2])
Out[18]:
0    NaN
dtype: category
Categories (1, object): [(1, 2]]
In [19]:
import pandas as pd
try:
    pd.cut(Series([None]),[1,2])
except Exception as e:
    print(type(e),e)
<class 'TypeError'> unorderable types: int() > NoneType()

对容器数据类型的影响

混入numpy.array的影响

如果数据中含有None,会导致整个array的类型变成object。

In [20]:
np.array([1, None]).dtype
Out[20]:
dtype('O')

而np.NaN尽管会将原本用int类型就能保存的数据转型成float,但不会带来上面这个问题。

In [21]:
np.array([1, NaN]).dtype
Out[21]:
dtype('float64')

混入Series的影响

下面的结果估计大家能猜到

In [22]:
Series([1, NaN])
Out[22]:
0    1.0
1    NaN
dtype: float64

下面的这个就很意外的吧

In [23]:
Series([1, None])
Out[23]:
0    1.0
1    NaN
dtype: float64

pandas将None自动替换成了NaN!

In [24]:
Series([1.0, None])
Out[24]:
0    1.0
1    NaN
dtype: float64

却是Object类型的None被替换成了float类型的NaN。 这么设计可能是因为None无法参与numpy的大多数计算, 而pandas的底层又依赖于numpy,因此做了这样的自动转化。

不过如果本来Series就只能用object类型容纳的话, Series不会做这样的转化工作。

In [25]:
Series(['a', None])
Out[25]:
0       a
1    None
dtype: object

如果Series里面都是None的话也不会做这样的转化

In [26]:
Series([None,None])
Out[26]:
0    None
1    None
dtype: object

其它的数据类型是bool时,也不会做这样的转化。

In [27]:
Series([True, False, None])
Out[27]:
0     True
1    False
2     None
dtype: object

等值性判断

单值的等值性比较

下面的实验中None和NaN的表现会作为后面的等值性判断的基准(后文称为基准)

In [28]:
None == None
Out[28]:
True
In [29]:
NaN == NaN
Out[29]:
False
In [30]:
None == NaN
Out[30]:
False

在tuple中的情况

这个不奇怪

In [31]:
(1, None) == (1, None)
Out[31]:
True

这个也不意外

In [32]:
(1, None) == (1, NaN)
Out[32]:
False

但是下面这个实验NaN的表现和基准不一致

In [33]:
(1, NaN) == (1, NaN)
Out[33]:
True

在numpy.array中的情况

In [34]:
np.array([1,None]) == np.array([1,None])
Out[34]:
array([ True,  True], dtype=bool)
In [35]:
np.array([1,NaN]) == np.array([1,NaN])
Out[35]:
array([ True, False], dtype=bool)
In [36]:
np.array([1,NaN]) == np.array([1,None])
Out[36]:
array([ True, False], dtype=bool)

和基准的表现一致。 

但是大部分情况我们希望上面例子中, 我们希望左右两边的array被判定成一致。这时可以用numpy.testing.assert_equal函数来处理。 注意这个函数的表现同assert, 不会返回True, False, 而是无反应或者raise Exception

In [37]:
np.testing.assert_equal(np.array([1,NaN]), np.array([1,NaN]))

它也可以处理两边都是None的情况

In [38]:
np.testing.assert_equal(np.array([1,None]), np.array([1,None]))

但是一边是None,一边是NaN时会被认为两边不一致, 导致AssertionError

In [39]:
try:
    np.testing.assert_equal(np.array([1,NaN]), np.array([1,None]))
except Exception as e:
    print(type(e),e)
<class 'AssertionError'> 
Arrays are not equal

(mismatch 50.0%)
 x: array([  1.,  nan])
 y: array([1, None], dtype=object)

在Series中的情况

下面两个实验中的表现和基准一致

In [40]:
Series([NaN,'a']) == Series([NaN,'a'])
Out[40]:
0    False
1     True
dtype: bool
In [41]:
Series([None,'a']) == Series([NaN,'a'])
Out[41]:
0    False
1     True
dtype: bool

但是None和基准的表现不一致。

In [42]:
Series([None,'a']) == Series([None,'a'])
Out[42]:
0    False
1     True
dtype: bool

和array类似,Series也有专门的函数equals用于判断两边的Series是否整体看相等

In [43]:
Series([None,'a']).equals(Series([NaN,'a']))
Out[43]:
True
In [44]:
Series([None,'a']).equals(Series([None,'a']))
Out[44]:
True
In [45]:
Series([NaN,'a']).equals(Series([NaN,'a']))
Out[45]:
True

比numpy.testing.assert_equals更智能些, 三种情况下都能恰当的处理

在DataFrame merge中的表现

两边的None会被判为相同

In [46]:
a = DataFrame({'A':[None,'a']})
b = DataFrame({'A':[None,'a']})
a.merge(b,on='A', how = 'outer')
Out[46]:
A
0 None
1 a

两边的NaN会被判为相同

In [47]:
a = DataFrame({'A':[NaN,'a']})
b = DataFrame({'A':[NaN,'a']})
a.merge(b,on='A', how = 'outer')
Out[47]:
A
0 NaN
1 a

无论两边都是None,都是NaN,还是都有,相关的列都会被正确的匹配。 注意一边是None,一边是NaN的时候。会以左侧的结果为准。

In [48]:
a = DataFrame({'A':[None,'a']})
b = DataFrame({'A':[NaN,'a']})
a.merge(b,on='A', how = 'outer')
Out[48]:
A
0 None
1 a
In [49]:
a = DataFrame({'A':[NaN,'a']})
b = DataFrame({'A':[None,'a']})
a.merge(b,on='A', how = 'outer')
Out[49]:
A
0 NaN
1 a

注意

这和空值在postgresql等sql数据库中的表现不一样, 在数据库中, join时两边的空值会被判定为不同的数值

在groupby中的表现

In [50]:
d = DataFrame({'A':[1,1,1,1,2],'B':[None,None,'a','a','b']})
d.groupby(['A','B']).apply(len)
Out[50]:
A  B
1  a    2
2  b    1
dtype: int64

可以看到(1, NaN)对应的组直接被忽略了

In [51]:
d = DataFrame({'A':[1,1,1,1,2],'B':[None,None,'a','a','b']})
d.groupby(['A','B']).apply(len)
Out[51]:
A  B
1  a    2
2  b    1
dtype: int64

(1,None)的组也被直接忽略了

In [52]:
d = DataFrame({'A':[1,1,1,1,2],'B':[None,NaN,'a','a','b']})
d.groupby(['A','B']).apply(len)
Out[52]:
A  B
1  a    2
2  b    1
dtype: int64

那么上面这个结果应该没啥意外的

总结

DataFrame.groupby会忽略分组列中含有None或者NaN的记录

支持写入数据库?

往数据库中写入时NaN不可处理,需转换成None,否则会报错。这个这里就不演示了。

相信作为pandas老司机, 至少能想出两种替换方法。

In [53]:
s = Series([None,NaN,'a'])
s
Out[53]:
0    None
1     NaN
2       a
dtype: object

方案1

In [54]:
s.replace([NaN],None)
Out[54]:
0    None
1    None
2       a
dtype: object

方案2

In [55]:
s[s.isnull()]=None
s
Out[55]:
0    None
1    None
2       a
dtype: object

然而这么就觉得完事大吉的话就图样图森破了, 看下面的例子

In [56]:
s = Series([NaN,1])
s
Out[56]:
0    NaN
1    1.0
dtype: float64
In [57]:
s.replace([NaN], None)
Out[57]:
0    NaN
1    1.0
dtype: float64
In [58]:
s[s.isnull()] = None
s
Out[58]:
0    NaN
1    1.0
dtype: float64

当其他数据是int或float时,Series又一声不吭的自动把None替换成了NaN。

这时候可以使用第三种方法处理

In [59]:
s.where(s.notnull(), None)
Out[59]:
0    None
1       1
dtype: object

where语句会遍历s中所有的元素,逐一检查条件表达式, 如果成立, 从原来的s取元素; 否则用None填充。 这回没有自动替换成NaN

None vs NaN要点总结

  1. 在pandas中, 如果其他的数据都是数值类型, pandas会把None自动替换成NaN, 甚至能将s[s.isnull()]= None,和s.replace(NaN, None)操作的效果无效化。 这时需要用where函数才能进行替换。

  2. None能够直接被导入数据库作为空值处理, 包含NaN的数据导入时会报错。

  3. numpy和pandas的很多函数能处理NaN,但是如果遇到None就会报错。

  4. None和NaN都不能被pandas的groupby函数处理,包含None或者NaN的组都会被忽略。

等值性比较的总结:(True表示被判定为相等)

None对None NaN对NaN None对NaN
单值 True False False
tuple(整体) True True False
np.array(逐个) True False False
Series(逐个) False False False
assert_equals True True False
Series.equals True True True
merge True True True

由于等值性比较方面,None和NaN在各场景下表现不太一致,相对来说None表现的更稳定。

为了不给自己惹不必要的麻烦和额外的记忆负担。 实践中,建议遵循以下三个原则即可

  • 在用pandas和numpy处理数据阶段将None,NaN统一处理成NaN,以便支持更多的函数。
  • 如果要判断Series,numpy.array整体的等值性,用专门的Series.equals,numpy.array函数去处理,不要自己用==判断 * 如果要将数据导入数据库,将NaN替换成None

若觉得本文对您有帮助,欢迎赞助作者一顿早餐:D

weixin_payment